科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 基于神经网络模型使用术前常规模态磁共振图像预测胶质母细胞瘤O6-甲基鸟嘌呤-DNA-甲基转移酶(MGMT)启动子甲基化状态。方法 回顾性分析兰州大学第二医院经手术病理证实的129例胶质母细胞瘤患者的T2WI序列和T1WI对比增强序列的磁共振图像，其中MGMT甲基化患者66例，MGMT非甲基化患者63例。基于EfficientNet卷积神经网络分别构建T2-net、T1C-net及两种序列联合的TS-net，通过受试者工作特征(ROC)曲线、曲线下面积(AUC)敏感度、准确度及特异度评价模型预测效能。结果 TS-net在训练和验证数据集的AUC分别为0.944和0.838,T1C-net模型的AUC分别为0.951和0.830,T2-net的AUC分别为0.929和0.781。结论 基于磁共振常规序列图像训练深度学习模型可有效预测胶质母细胞瘤患者的MGMT甲基化状态，帮助制定进一步治疗计划。
